CN113109348B - 一种基于机器视觉的桨影移印缺陷识别方法 - Google Patents
一种基于机器视觉的桨影移印缺陷识别方法 Download PDFInfo
- Publication number
- CN113109348B CN113109348B CN202110271889.7A CN202110271889A CN113109348B CN 113109348 B CN113109348 B CN 113109348B CN 202110271889 A CN202110271889 A CN 202110271889A CN 113109348 B CN113109348 B CN 113109348B
- Authority
- CN
- China
- Prior art keywords
- product
- transfer printing
- generalized
- image
- unqualified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
Abstract
本发明公开了一种基于机器视觉的桨影移印缺陷识别方法,包括以下步骤:采集获取待检测桨翼的图像;与标准合格产品的模板进行匹配,匹配成功的为合格产品,匹配失败的为广义不合格产品;使用分好类的缺陷图像集对AI算法模型进行训练,得到AI算法模型分类器,利用该分类器对广义不合格产品进行分类;将符合针对性检测条件的广义不合格产品改判为合格产品。通过以上方法,区别对待不同缺陷的检测,更加真实还原产品的质检过程,同时通过对不同类型缺陷设置不同的品质控制误差,可调节合格产品的品控等级,体现了工业生产中品质控制思想,使机器视觉缺陷检测具有柔性。
Description
技术领域
本发明涉及机器视觉缺陷检测识别技术领域,特别涉及一种基于机器视觉的桨影移印缺陷识别方法。
背景技术
无人机螺旋桨上的桨影在移印过程中会出现移印偏移、移印多油、移印少油和移印色差这几类缺陷。为保证无人机产品的质量,需要对这些缺陷进行检测识别,现有人工目视检测识别和机器视觉自动识别两种方式。人工目视的方式受人员的主观因素影响较大,且长时间工作易疲劳不能很好地保证检测质量。机器视觉自动识别因其比人工检测具有工作时间长、检测结果稳定、检测效率高等优势,正被越来越多的企业所采用。
目前,机器视觉缺陷检测识别多采用模板匹配的方法进行缺陷检测识别,现已公开的发明专利一种电话机丝印质量检测方法及系统(专利号:CN111028209A),此专利使用丝印模板进行轮廓匹配,再将图像与丝印模板对比,根据差值大小判断是否合格。此种方式判断标准过于单一,如果执行严格就会导致有些可以接受的缺陷,例如一定的偏差范围内的偏移会被判定为不合格,导致产品合格率低;如果放宽匹配标准,则又会导致一些即使特征微细但却不可接受的缺陷会被判定为合格产品。
发明内容
本发明的主要目的是克服现有技术的缺点与不足,提供一种基于机器视觉的桨影移印缺陷识别方法。
本发明至少通过如下技术方案之一实现。
一种基于机器视觉的桨影移印缺陷识别方法,包括以下步骤:
步骤1、根据采集的图像,使用标准模板匹配甄别出标准合格产品和广义不合格产品;
步骤2、使用AI算法对广义不合格产品图像进行分类;
步骤3、对每一类广义不合格产品做针对性检测,通过针对性检测得到广义不合格产品与标准合格产品的差别量化数据,将差别量化数据在允许范围内的广义不合格产品改判为合格产品。
优选的,采集的图像具体采用工业彩色面阵相机对产品进行拍照,拍照时以穹顶LED漫反射灯作为光源。
优选的,步骤1具体包括:使用标准合格产品的外形轮廓线和桨影移印图形的轮廓线以及移印图形的灰度值作为标准模板的匹配条件,然后对采集的图像进行灰度化和高斯滤波的预处理,使用边缘提取的方法获得采集图像中产品外形轮廓线,使用阈值分割的方法得到采集图像中桨影移印图形的轮廓线和灰度值,最后计算标准模板的采集图像的匹配条件的相似度,将相似度达到设定值的产品标记为标准合格产品,相似度未达到的产品标记为广义不合格产品。
优选的,所述相似度计算为:
其中,s为相似度,越接近0则说明越相似,n为特征区域中点的数量,t(x,y)为标准模板图像坐标(x,y)处的灰度值,f(u+x,v+y)为采集图像坐标(u+x,v+y)处的灰度值。
优选的,步骤2具体包括:根据实际生产中的桨影移印缺陷的特征进行分析,将桨影移印缺陷分为移印偏移、移印多油、移印少油和移印色差四个类型,对四个类型的桨影移印缺陷进行图像采集,对四类桨影移印缺陷的缺陷特征进行提取,通过对缺陷特征的放大、缩小、平移和旋转来增加桨影移印缺陷图像的数量;
将增加数量后的桨影移印缺陷图像分成训练集和测试集,标记训练集中的图像,使用训练集对AI算法模型进行训练,并用测试集进行验证用以调整模型参数,反复进行调参、训练、验证得到符合要求的AI算法模型分类器;
使用训练好的AI算法模型分类器对广义不合格产品进行分类。
优选的,所述对每一类广义不合格产品做针对性检测,具体包括:移印偏移检测、移印多油检测、移印少油检测、移印色差检测。
优选的,所述移印偏移检测具体为:使用图形查找的方法,定位桨影移印图形,做该图形的最小外接矩形,计算最小外接矩形的中心到产品轮廓线的最小距离以及外接矩形相对产品轮廓外接矩形的偏转角,将最小距离和偏转角均在允许值范围内的广义不合格产品改判为合格产品,将最小距离和偏转角均不在允许值范围内的广义不合格产品判定为不合格产品。
优选的,所述移印多油检测具体为:使用图像差分的方法,差分出多油部分的像素,统计像素数量并计算多油部分的面积,使用8连通域查找法确定多油部分是否与移印图形相连接,将多油面积在允许值范围内且多油部分与移印图形相连通的广义不合格产品改判为合格产品,将多油面积不在允许值范围内或多油部分与移印图形不连通的广义不合格产品判定为不合格产品。
优选的,所述移印少油检测具体为:使用Blob分析,通过设定阈值范围使桨影移印图形中少油部分的像素会被提取出来,统计像素数量计算少油面积,将少油面积在允许范围内的广义不合格产品改判为合格产品,将少油面积不在允许范围内的广义不合格产品判定为不合格产品。
优选的,所述移印色差类型检测具体为:使用颜色提取法,利用标准合格产品移印颜色的RGB值去提取广义不合格产品中符合的像素,统计像素数量计算移印色差面积,将移印色差面积在允许值范围内的广义不合格产品改判为合格产品,将移印色差面积不在允许值范围内的广义不合格产品判定为不合格产品。
本发明与现有技术相比,具有以下优点和有益效果:
1、通过传统算法与智能算法的集成应用,区别对待不同缺陷的检测,更加真实还原产品的质检过程;
2、通过对不同类型缺陷设置不同的品质控制误差,可调节合格产品的品控等级,体现了工业生产中品质控制思想,使机器视觉缺陷检测具有柔性;
3、通过模板匹配检测大部分的标准合格产品和智能识别分类检测部分广义不合格产品的方法,合理分配了计算资源,使机器视觉检测的效率得到提升。
附图说明
图1是本发明所述一种基于机器视觉的桨影移印缺陷识别方法流程框图。
具体实施方式
下面结合实施例及附图对本发明作进一步的描述,但本发明的实施例方式不限于此。
实施例1
如图1所示的一种基于机器视觉的桨影移印缺陷识别方法,包括以下步骤:
步骤1、使用穹顶LED漫反射灯对产品进行打光,由像素为五百万的工业面阵彩色相机对产品进行拍照获取产品待检测桨翼的图像。
步骤2、使用标准模板匹配甄别出标准合格产品和广义不合格产品,包括以下步骤:
步骤2.1、使用标准合格产品图像中产品的外形轮廓线和桨影移印图形的轮廓线以及移印图形的灰度值作为与标准模板匹配的条件;
步骤2.2、对获取的图像进行灰度化和高斯滤波的预处理;
步骤2.3、使用边缘提取的方法获得产品外形轮廓线,使用阈值分割的方法得到桨影移印图形的轮廓线和灰度值;
步骤2.4、计算标准模板和采集图像之间匹配条件的相似度,将相似度达到一定值的产品标记为合格产品,相似度未达到的产品标记为广义不合格产品,具体计算过程如下:
步骤2.4.1、将提取到的产品外形轮廓线的特征区域移动到和标准模板的产品外形轮廓线的特征区域重合,计移动距离为(u,v);
步骤2.4.2、计算标准模板和采集图像之间的相似度:
其中,s为相似度,越接近0则说明越相似,n为特征区域中点的数量,t(x,y)为标准模板图像坐标(x,y)处的灰度值,f(u+x,v+y)为采集图像坐标(u+x,v+y)处的灰度值。
步骤3、使用AI算法-YOLOv3算法对广义不合格产品图像进行分类,
具体包括以下步骤:
步骤3.1、根据实际生产中的桨影移印缺陷的特征进行分析,将桨影移印缺陷分为移印偏移、移印多油、移印少油和移印色差四个类型;
步骤3.2、对四个类型的桨影移印缺陷进行图像采集,对四类桨影移印缺陷的缺陷特征进行提取,通过对缺陷特征的放大、缩小、平移和旋转来增加桨影移印缺陷图像的数量;
步骤3.3、使用增加数量后的桨影移印缺陷图像训练基于YOLOv3算法的分类模型,获得桨影移印缺陷分类模型,具体步骤如下:
步骤3.3.1、将增加数量后的桨影移印缺陷图像分成训练集和测试集,其中训练集与测试集图像数量的比值为5:1,训练集中图像带有类型标记,测试集中图像没有任何标记;
步骤3.3.2、使用所述训练集对YOLOv3算法分类模型进行训练,得到训练好的桨影移印缺陷分类模型;
步骤3.3.3、使用测试集对所述训练好的桨影移印缺陷分类模型进行测试,得到测试结果,根据测试结果调整YOLOv3算法分类模型的参数重复步骤3.3.3,直至测试结果符合要求时获得最终的桨影移印缺陷分类模型。
步骤3.4、使用最终的桨影移印缺陷分类模型对广义不合格产品的图像进行分类。
步骤4、对分好类的广义不合格产品进行针对性检测,针对性检测具体包括:移印偏移检测、移印多油检测、移印少油检测、移印色差检测,根据检测结果进一步判断产品是否合格,具体过程如下:
步骤4.1、对移印偏移类型的广义不合格产品使用图形查找的方法,定位桨影移印图形,做该图形的最小外接矩形,计算最小外接矩形的中心到产品轮廓线的最小距离以及外接矩形相对产品轮廓外接矩形的偏转角,将最小距离和偏转角均在允许值范围内的广义不合格产品改判为合格产品,将最小距离和偏转角均不在允许值范围内的广义不合格产品判定为不合格产品;
步骤4.2、对移印多油类型的广义不合格产品使用图像差分的方法,多油部分的像素会被差分出来,统计像素数量并计算多油部分的面积,使用8连通域查找法确定多油部分是否与移印图形相连接,将多油面积在允许值范围内且多油部分与移印图形相连通的广义不合格产品改判为合格产品,将多油面积不在允许值范围内或多油部分与移印图形不连通的广义不合格产品判定为不合格产品;
步骤4.3、对移印少油类型的广义不合格产品使用Blob分析,通过设定阈值范围桨影移印图形中少油部分的像素会被提取出来,统计像素数量计算少油面积,将少油面积在允许范围内的广义不合格产品改判为合格产品,将少油面积不在允许范围内的广义不合格产品判定为不合格产品;
步骤4.4、对移印色差类型的广义不合格产品使用颜色提取法,利用标准合格产品移印颜色的RGB值去提取广义不合格产品中符合的像素,统计像素数量计算移印色差面积,将移印色差面积在允许值范围内的广义不合格产品改判为合格产品,将移印色差面积不在允许值范围内的广义不合格产品判定为不合格产品。
实施例2
一种基于机器视觉的桨影移印缺陷识别方法,包括以下步骤:
步骤1、使用穹顶LED漫反射灯对产品进行打光,由像素为五百万的工业面阵彩色相机对产品进行拍照获取产品待检测桨翼的图像。
步骤2、使用标准模板匹配甄别出标准合格产品和广义不合格产品,具体包括以下步骤:
步骤2.1、使用标准合格产品图像中的外形轮廓线和桨影移印图形的轮廓线以及产品的模号字符作为匹配的条件;
步骤2.2、对获取的图像进行预处理,即对图像使用中值滤波去除一定的噪音干扰;
步骤2.3、使用边缘提取的方法获得产品外形轮廓线,使用阈值分割的方法得到桨影移印图形的轮廓线;
作为另外一个实施例,步骤2.3还可以使用OCR字符识别算法识别产品模号;
步骤2.4、将图像中产品模号与标准模板的产品模号不相符的产品判定为不合格品,计算产品模号相符的产品图像和标准模板图像之间的相似度,将相似度达到一定值的产品标记为合格产品,相似度未达到的产品标记为广义不合格产品,具体计算过程如下:
步骤2.4.1、将提取到的产品外形轮廓线的特征区域移动到和标准模板的产品外形轮廓线的特征区域重合,计移动距离为(u,v);
步骤2.4.2、计算标准模板和采集图像之间的相似度:
其中,s为相似度,越接近0则说明越相似,n为特征区域中点的数量,t(x,y)为标准模板图像坐标(x,y)处的灰度值,f(u+x,v+y)为采集图像坐标(u+x,v+y)处的灰度值。
步骤3、使用AI算法-基于CNN(卷积神经网络)的深度学习算法,对广义不合格产品图像进行分类,具体包括以下步骤:
步骤3.1、根据实际生产中的桨影移印缺陷的特征进行分析,将桨影移印缺陷分为移印缺失、移印移位、移印漏底、移印麻点四个类型。
步骤3.2、对四个类型的桨影移印缺陷进行图像采集,对四类桨影移印缺陷的缺陷特征进行提取,通过对缺陷特征的放大、缩小、平移和旋转来增加桨影移印缺陷图像的数量;
步骤3.3、使用增加数量后的桨影移印缺陷图像训练基于CNN深度学习算法的分类模型,获得桨影移印缺陷分类模型,具体步骤如下:
步骤3.3.1、将增加数量后的桨影移印缺陷图像分成训练集和测试集,其中训练集与测试集图像数量的比值为5:1,训练集中图像带有类型标记,测试集中图像没有任何标记;
步骤3.3.2、使用所述训练集对基于CNN的深度学习算法分类模型进行训练,得到训练好的桨影移印缺陷分类模型;
步骤3.3.3、使用测试集对所述训练好的桨影移印缺陷分类模型进行测试,得到测试结果,根据测试结果调整基于CNN的深度学习算法分类模型的神经网络层数、迭代次数、以及步长等参数,重复步骤3.3.3,直至测试结果符合要求时获得最终的桨影移印缺陷分类模型。
步骤3.4、使用最终的桨影移印缺陷分类模型对广义不合格产品的图像进行分类。
步骤4、对分好类的广义不合格产品进行针对性检测,针对性检测具体包括:移印缺失检测、移印移位检测、移印漏底检测、移印麻点检测,根据检测结果进一步判断产品是否合格,具体过程如下:
步骤4.1、对移印缺失类型的广义不合格产品使用图像相减的方法,先将待测产品图像与标准图像进行图像配准,再将两者相减,并对结果进行二值化,即可得到移印缺失的部分,统计缺失部分的像素点数量,计算缺失部分的像素点数量占移印总共像素点数量的百分比,将百分比低于设定值的广义不合格产品改判为合格平,将百分比高于设定值的广义不合格产品判定为不合格品;
步骤4.2、对移印移位类型的广义不合格产品使用直线拟合的方法,产品外形轮廓线有且只有一条直线边,且桨影移印图形也有且只有一条直线边,定位桨影移印图形的直线边和产品外形轮廓的直线边,计算两条边中心点之间的距离,以及两条边之间的夹角,将两边中心点距离和两边夹角均在允许值范围内的广义不合格产品改判为合格产品,将最小距离和偏转角均不在允许值范围内的广义不合格产品判定为不合格产品;
步骤4.3、对移印漏底类型的广义不合格产品使用双阈值分割的方法,将ROI区域划定为移印图形范围内,通过将阈值范围设定为底色和前景色之间,桨影移印图形中漏底部分的像素会被提取出来,统计像素数量计算漏底面积,将漏底面积在允许范围内的广义不合格产品改判为合格产品,将漏底面积不在允许范围内的广义不合格产品判定为不合格产品;
步骤4.4、对移印麻点类型的广义不合格产品使用区域二值化的方法,将二值化区域限定在移印图形范围内,将麻点的灰度值设置为二值化的分界值,二值化后麻点的像素以灰度值255的方式显示,统计麻点的数量并计算麻点像素的总面积,将麻点数量和麻点总面积均在允许值范围内的广义不合格产品改判为合格产品,将麻点数量或麻点总面积不在允许值范围内的广义不合格产品判定为不合格产品。
作为另外一个实施例,步骤1可以使用LED白光球积分光源对产品进行打光,由像素为五百万的工业面阵灰度相机对待检测产品进行拍照获取产品图像。
以上实施例为本发明的优选实施例,但本发明的实施例方式并不受上述实施例的限值,对本领域的技术人员来说,可以根据以上描述的技术方案和构思,做出其他各种相应的改变和形变,而所有的这些改变和形变都包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,包括以下步骤:
步骤1、根据采集的图像,使用标准模板匹配甄别出标准合格产品和广义不合格产品;
步骤2、使用AI算法对广义不合格产品图像进行分类;
步骤3、对每一类广义不合格产品做针对性检测,通过针对性检测得到广义不合格产品与标准合格产品的差别量化数据,将差别量化数据在允许范围内的广义不合格产品改判为合格产品。
2.根据权利要求1所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,采集的图像具体采用工业彩色面阵相机对产品进行拍照,拍照时以穹顶LED漫反射灯作为光源。
3.根据权利要求2所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,步骤1具体包括:使用标准合格产品的外形轮廓线和桨影移印图形的轮廓线以及移印图形的灰度值作为标准模板的匹配条件,然后对采集的图像进行灰度化和高斯滤波的预处理,使用边缘提取的方法获得采集图像中产品外形轮廓线,使用阈值分割的方法得到采集图像中桨影移印图形的轮廓线和灰度值,最后计算标准模板的采集图像的匹配条件的相似度,将相似度达到设定值的产品标记为标准合格产品,相似度未达到的产品标记为广义不合格产品。
5.根据权利要求4所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,步骤2具体包括:根据实际生产中的桨影移印缺陷的特征进行分析,将桨影移印缺陷分为移印偏移、移印多油、移印少油和移印色差四个类型,对四个类型的桨影移印缺陷进行图像采集,对四类桨影移印缺陷的缺陷特征进行提取,通过对缺陷特征的放大、缩小、平移和旋转来增加桨影移印缺陷图像的数量;
将增加数量后的桨影移印缺陷图像分成训练集和测试集,标记训练集中的图像,使用训练集对AI算法模型进行训练,并用测试集进行验证用以调整模型参数,反复进行调参、训练、验证得到符合要求的AI算法模型分类器;
使用训练好的AI算法模型分类器对广义不合格产品进行分类。
6.根据权利要求5所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,所述对每一类广义不合格产品做针对性检测,具体包括:移印偏移检测、移印多油检测、移印少油检测、移印色差检测。
7.根据权利要求6所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,所述移印偏移检测具体为:使用图形查找的方法,定位桨影移印图形,做该图形的最小外接矩形,计算最小外接矩形的中心到产品轮廓线的最小距离以及外接矩形相对产品轮廓外接矩形的偏转角,将最小距离和偏转角均在允许值范围内的广义不合格产品改判为合格产品,将最小距离和偏转角均不在允许值范围内的广义不合格产品判定为不合格产品。
8.根据权利要求7所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,所述移印多油检测具体为:使用图像差分的方法,差分出多油部分的像素,统计像素数量并计算多油部分的面积,使用8连通域查找法确定多油部分是否与移印图形相连接,将多油面积在允许值范围内且多油部分与移印图形相连通的广义不合格产品改判为合格产品,将多油面积不在允许值范围内或多油部分与移印图形不连通的广义不合格产品判定为不合格产品。
9.根据权利要求8所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,所述移印少油检测具体为:使用Blob分析,通过设定阈值范围使桨影移印图形中少油部分的像素会被提取出来,统计像素数量计算少油面积,将少油面积在允许范围内的广义不合格产品改判为合格产品,将少油面积不在允许范围内的广义不合格产品判定为不合格产品。
10.根据权利要求9所述的一种基于机器视觉的桨影移印缺陷识别方法,其特征在于,所述移印色差类型检测具体为:使用颜色提取法,利用标准合格产品移印颜色的RGB值去提取广义不合格产品中符合的像素,统计像素数量计算移印色差面积,将移印色差面积在允许值范围内的广义不合格产品改判为合格产品,将移印色差面积不在允许值范围内的广义不合格产品判定为不合格产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110271889.7A CN113109348B (zh) | 2021-03-12 | 2021-03-12 | 一种基于机器视觉的桨影移印缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110271889.7A CN113109348B (zh) | 2021-03-12 | 2021-03-12 | 一种基于机器视觉的桨影移印缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113109348A CN113109348A (zh) | 2021-07-13 |
CN113109348B true CN113109348B (zh) | 2022-03-29 |
Family
ID=76711241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110271889.7A Active CN113109348B (zh) | 2021-03-12 | 2021-03-12 | 一种基于机器视觉的桨影移印缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109348B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
CN114295639A (zh) * | 2021-12-31 | 2022-04-08 | 珠海格力智能装备有限公司 | 视觉检测方法、视觉检测装置以及非易失性存储介质 |
CN114881996A (zh) * | 2022-05-25 | 2022-08-09 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置 |
CN115060734A (zh) * | 2022-08-09 | 2022-09-16 | 吉林信息安全测评中心 | 一种用于工业视觉检测的多角度影像摄录装置 |
CN116087217B (zh) * | 2023-04-10 | 2023-06-30 | 湖北工业大学 | 基于机器视觉的工业流水线动态质量检测模块及方法 |
CN117197133B (zh) * | 2023-11-06 | 2024-01-30 | 湖南睿图智能科技有限公司 | 一种复杂工业环境下视觉机器人的控制系统及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59157505A (ja) * | 1983-02-28 | 1984-09-06 | Hitachi Ltd | パタ−ン検査装置 |
JP4862031B2 (ja) * | 2008-10-20 | 2012-01-25 | 株式会社ニューフレアテクノロジー | マスク欠陥レビュー方法及びマスク欠陥レビュー装置 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN106204614B (zh) * | 2016-07-21 | 2019-01-08 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN108171102A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的零件快速识别方法 |
CN110264445B (zh) * | 2019-05-30 | 2021-09-07 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
CN110335262A (zh) * | 2019-06-28 | 2019-10-15 | 西安理工大学 | 一种机器视觉中印刷品缺陷自动分类方法 |
CN110672617B (zh) * | 2019-09-14 | 2022-06-14 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
CN111402238A (zh) * | 2020-03-17 | 2020-07-10 | 苏州光领电子科技有限公司 | 一种通过机器视觉实现的缺陷标识系统 |
-
2021
- 2021-03-12 CN CN202110271889.7A patent/CN113109348B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113109348A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
CN109785316B (zh) | 一种芯片表观缺陷检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
CN108230315B (zh) | 一种基于机器视觉的口罩带缺失检测方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN107610085A (zh) | 一种基于计算机视觉的焊点缺陷检测系统 | |
CN104899871A (zh) | 一种ic元件焊点空焊检测方法 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法 | |
CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111968082A (zh) | 一种基于机器视觉的产品包装缺陷检测识别方法 | |
CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN113205099A (zh) | 一种镀镍金属表面去料字符视觉检测系统及方法 | |
CN111489367A (zh) | 一种自动化选择轮毂二维码打码可行区域的定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |